Improving the Transferability of Suspended Solid Estimation in Wetland and Deltaic Waters with an Empirical Hyperspectral Approach
Notice bibliographique
Résumé
The deposition of suspended sediment is an important process that helps wetlands accrete surface material and maintain elevation in the face of sea level rise. Optical remote sensing is often employed to map total suspended solids (TSS), though algorithms typically have limited transferability in space and time due to variability in water constituent compositions, mixtures, and inherent optical properties. This study used in situ spectral reflectances and their first derivatives to compare empirical algorithms for estimating TSS using hyperspectral and multispectral data. These algorithms were applied to imagery collected by NASA’s Airborne Visible/Infrared Imaging Spectrometer-Next Generation (AVIRIS-NG) over coastal Louisiana, USA, and validated with a multiyear in situ dataset. The best performing models were then applied to independent spectroscopic data collected in the Peace–Athabasca Delta, Canada, and the San Francisco Bay–Delta Estuary, USA, to assess their robustness and transferability. A derivative-based partial least squares regression (PLSR) model applied to simulated AVIRIS-NG data showed the most accurate TSS retrievals (R2 = 0.83) in these contrasting deltaic environments. These results highlight the potential for a more broadly applicable generalized algorithm employing imaging spectroscopy for estimating suspended solids.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».